اکسپرس 24
ترجمه فارسی مقاله بهینه‌سازی مدل‌های کاکس با روش گرادیان نزولی تصادفی: مبانی نظری و راهنمایی‌های عملی

ترجمه فارسی مقاله بهینه‌سازی مدل‌های کاکس با روش گرادیان نزولی تصادفی: مبانی نظری و راهنمایی‌های عملی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Optimizing Cox Models with Stochastic Gradient Descent: Theoretical Foundations and Practical Guidances
عنوان مقاله به فارسی بهینه‌سازی مدل‌های کاکس با روش گرادیان نزولی تصادفی: مبانی نظری و راهنمایی‌های عملی
نویسندگان Lang Zeng, Weijing Tang, Zhao Ren, Ying Ding
فرمت مقاله انگلیسی PDF
تعداد صفحات 34
دسته بندی موضوعات Machine Learning,Machine Learning,یادگیری ماشین , یادگیری ماشین ,
توضیحات Submitted 5 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 5 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 1,360,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Optimizing Cox regression and its neural network variants poses substantial computational challenges in large-scale studies. Stochastic gradient descent (SGD), known for its scalability in model optimization, has recently been adapted to optimize Cox models. Unlike its conventional application, which typically targets a sum of independent individual loss, SGD for Cox models updates parameters based on the partial likelihood of a subset of data. Despite its empirical success, the theoretical foundation for optimizing Cox partial likelihood with SGD is largely underexplored. In this work, we demonstrate that the SGD estimator targets an objective function that is batch-size-dependent. We establish that the SGD estimator for the Cox neural network (Cox-NN) is consistent and achieves the optimal minimax convergence rate up to a polylogarithmic factor. For Cox regression, we further prove the $sqrt{n}$-consistency and asymptotic normality of the SGD estimator, with variance depending on the batch size. Furthermore, we quantify the impact of batch size on Cox-NN training and its effect on the SGD estimator's asymptotic efficiency in Cox regression. These findings are validated by extensive numerical experiments and provide guidance for selecting batch sizes in SGD applications. Finally, we demonstrate the effectiveness of SGD in a real-world application where GD is unfeasible due to the large scale of data.

چکیده به فارسی (ترجمه ماشینی)

بهینه سازی رگرسیون کاکس و انواع شبکه عصبی آن چالش های محاسباتی قابل توجهی در مطالعات در مقیاس بزرگ ایجاد می کند.نزول شیب تصادفی (SGD) ، که به دلیل مقیاس پذیری آن در بهینه سازی مدل شناخته شده است ، اخیراً برای بهینه سازی مدل های COX سازگار شده است.بر خلاف کاربرد معمولی آن ، که به طور معمول مجموعه ای از از دست دادن مستقل فردی را هدف قرار می دهد ، SGD برای مدل های Cox پارامترهای را بر اساس احتمال جزئی زیر مجموعه داده ها به روز می کند.علیرغم موفقیت تجربی خود ، پایه و اساس نظری برای بهینه سازی احتمال جزئی کاکس با SGD تا حد زیادی نامشخص است.در این کار ، ما نشان می دهیم که برآوردگر SGD یک عملکرد عینی را که وابسته به اندازه دسته ای است ، هدف قرار می دهد.ما ثابت می کنیم که برآوردگر SGD برای شبکه عصبی COX (COX-NN) سازگار است و به میزان همگرایی بهینه بهینه می رسد تا یک عامل پلیوگرامی.برای رگرسیون کاکس ، ما بیشتر sqrt {n} $-قوام و نرمال بودن بدون علامت برآوردگر SGD را با واریانس بسته به اندازه دسته ثابت می کنیم.علاوه بر این ، ما تأثیر اندازه دسته ای را در آموزش COX-NN و تأثیر آن بر بازده بدون علامت برآوردگر SGD در رگرسیون کاکس تعیین می کنیم.این یافته ها با آزمایش های عددی گسترده تأیید می شوند و راهنمایی هایی را برای انتخاب اندازه دسته ای در برنامه های SGD ارائه می دهند.سرانجام ، ما اثربخشی SGD را در یک برنامه در دنیای واقعی نشان می دهیم که در آن GD به دلیل مقیاس بزرگ داده ها غیرممکن است.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.